本章概要

1．朴素贝叶斯法是典型的生成学习方法。生成方法由训练数据学习联合概率分布 P （ X , Y ），然后求得后验概率分布 P （ Y | X ）。具体来说，利用训练数据学习 P （ X | Y ）和 P （ Y ）的估计，得到联合概率分布：

概率估计方法可以是极大似然估计或贝叶斯估计。

2．朴素贝叶斯法的基本假设是条件独立性，

这是一个较强的假设。由于这一假设，模型包含的条件概率的数量大为减少，朴素贝叶斯法的学习与预测大为简化。因而朴素贝叶斯法高效，且易于实现。其缺点是分类的性能不一定很高。

3．朴素贝叶斯法利用贝叶斯定理与学到的联合概率模型进行分类预测。

将输入 x 分到后验概率最大的类 y 。

后验概率最大等价于0-1损失函数时的期望风险最小化。 9tWuHC74Kg4QCoens/+BXbhbjjbGHHN1vT1nVYD7rFDsnSTmmIrTXStTuwfLB6OQ